4.4 高维形式的 Itô 积分和积分法则
4.4.1 定义和记号
记号 4.32
- 记
维 Brown 运功为
- 设
是一族非预期的
-代数,意思是对所有
,它满足
-
-
-
和
无关
接下来定义循序可测的矩阵值随机过程和它的随机积分的定义。
定义 4.33 (矩阵值和向量值随机过程)
一个矩阵值(
)随机过程
若满足对所有
,都有
,我们称
;
一个向量值(
)随机过程
,若满足对所有
,都有
,我们称
。
满足条件的矩阵值随机过程的随机积分是和矩阵乘法类似规则的分量组合的随机积分之和:
定义 4.34 (矩阵值随机过程的随机积分)
假设
,定义其随机积分
是一个向量值(
)随机过程,其第
个分量为
利用前文的老办法,用阶梯过程逼近,可以证明
引理 4.35
假设
,有
-
-
,其中
接着我们给出向量值随机过程对应的随机微分记号。
定义 4.36(向量值过程的随机微分)
考虑向量(
)值的过程
,如果存在
和
,对所有
,都有
则称
具有随机微分
,这表示对
,有
4.4.2 乘积法则和链式法则
在介绍一般情形下的链式法则和乘积法则之前,需要给出下面的引理:
引理 4.37
考虑两个独立的一维 Brown 运动
和
,有
注意相比于先前的
的情形,校正项
没有了。
证明.
令
,容易验证它也是个一维 Brown 运动。根据一维的 Ito 链式法则,有
然后根据乘积法则,有
接着我们需要下面稍稍推广一些的乘积法则:
引理 4.38 (多个 Brown 运动的乘积法则)
假设
和
有如下形式的随机微分
其中
,
,于是
注意等式右侧变成了对角求和,这是因为我们可以从前面一个引理中得到对于
和
,有
然后可以用和一维情形相似的方法证明。
至于链式法则,此时的
的定义域从
变成了
,我们同样可以使用归纳法先证明它的多项式
情形下是正确的,然后利用线性性得到其对任意
上的多项式成立,最后用多项式进行逼近。
注解 4.39
考虑满足下面随机微分的向量值过程
:
我们常常记
,Ito 链式法则既可以写成
其中
是微分算子,
得到函数
的梯度,
得到函数
的 Hessian 矩阵。其中
是指梯度和向量的自然配对(内积),
表示矩阵之间的逐项乘积(Hadamard 积)。
4.4.3 乘积法则和链式法则的助记法
链式法则
考虑
,满足下面的随机微分
首先形式地计算
然后根据下面的规则化简
:
乘积法则
对于下列情形
要根据乘积法则计算
,同样地,可以先形式上的写成
然后按照
的规则化简。